Transformer saab töödelda erinevaid modaalsusi ainult siis, kui need teisendatakse esmalt tekstilisteks kirjeldusteks.

Transformer saab siduda erinevaid modaalsusi ainult siis, kui need esitatakse sama modaalsuse andmetena.

Transformer saab töödelda erinevaid modaalsusi ühise sisendjadana ainult siis, kui need on esitatud tookenitena.

Transformer saab võrrelda erinevaid modaalsusi ainult siis, kui need sisaldavad sama arvu tookeneid.